测量依赖差距：诊断表格生成模型中的列间保真度

arXiv:2607.21636v1 公告类型：新 摘要：合成表格数据的价值不仅在于保留每列的边际分布，还在于保留列之间的依赖关系——这种结构在欺诈和临床风险等不平衡领域中为少数类别携带了许多歧视性信号。然而，我们表明，最常用于证明合成表格数据的指标在很大程度上对列间依赖性视而不见：独立建模每列（因此破坏所有依赖性）的基线被逻辑回归 C2ST 判断为与真实数据无法区分，并且成对趋势得分仅部分敏感。我们引入了一种依赖项感知保真度诊断，它将强分类器双样本测试 (XGB-C2ST) 分解为边际、依赖项和数值分类交叉组件，锚定在最坏情况的完全分解参考（所有依赖项均被破坏）和最佳情况的真实数据预言之间。将其应用到最先进的流匹配生成器（TabbyFlow/EF-VFM）中，我们发现了标准指标遗漏的真正依赖差距；彻底消除依赖会导致少数群体的公用事业崩溃，而发电商的剩余缺口会带来较小的、一致的公用事业成本。然后我们询问这种差距是否反映了平均场生成目标的结构限制。事实并非如此：与变分流匹配的最新恢复结果一致，目标是渐近精确的。然而，这一差距是顽固的——模型容量增加 16 倍并不能弥补这一差距——这表明缺乏直接依赖监督，而不是容量或结构限制。与此一致，并且由于剩余间隙是高阶的，因此没有廉价的干预措施可以关闭它：不是模型内依赖机制，不是事后联接修正，也不是 16 倍的容量增加——对于假设此类修复有所帮助的领域来说，这是一个警告。